# GPT-6.1 Terra 和 GPT-6 Luna 区别：实测每任务贵 2.7～6.3 倍

> GPT-6.1 Terra 单价是 GPT-6 Luna 的 10 倍，实测每个通过任务贵 2.7～6.3 倍。普通任务留在 Luna，读图和规范多的代码换 Terra low。

- URL: https://blog.laozhang.ai/zh/posts/gpt-6-1-terra-vs-gpt-6-luna
- Published: 2026-10-28
- Updated: 2026-10-28
- Author: LaoZhang AI Team (https://blog.laozhang.ai/zh/about)
- Topic: 模型对比
- Tags: GPT-6.1 Terra, GPT-6 Luna, OpenAI API, 模型对比, 推理强度, API 价格

---
GPT-6.1 Terra 的 API 单价是 GPT-6 Luna 的 10 倍（缓存读取是 5 倍），但这是每百万 token 的价格，不是每个任务的价格。2026 年 10 月 28 日，经同一个 API 网关用 12 道题对比两者：Luna 每次答题前想得更久、产生的推理 token 更多，所以按每个通过的任务算，Terra 只贵 2.7～6.3 倍，每次调用还快 2～3 倍。值不值得换，取决于 Luna 在你的任务上会不会出错，而不是那个 10 倍。

所以，规则清楚、有测试兜底的批量任务（摘要、普通函数、解析器、长文档里找数算账），继续用 `gpt-6-luna`，`reasoning_effort` 用默认的 `medium` 就够了。Luna 反复出错的任务，比如要逐字读准图片里易混字符、或者规范细则很多的代码，直接换 `gpt-6.1-terra` 的 `low` 或 `medium`，不要把 Luna 往 `xhigh`、`max` 调：实测里 Luna 从 `medium` 调到 `xhigh`，输出 token 翻倍，通过数没有变化；在 Artificial Analysis 的 Intelligence Index v5.0 上，Terra `low` 得 29 分、每道题 $0.07，Luna `max` 得 28 分、每道题 $0.15。

有三种情况先别换。你的数据必须在美国和欧盟以外的地区驻留时，Terra 不支持，只能留在 Luna；你用的是 ChatGPT 普通聊天，那里没有 Terra，它只在 Work 和 Codex 里；你的 Luna 代码在 Chat Completions 上做工具调用，换成 Terra 必须先改到 Responses API。这几处的具体改法在后面的换模型清单里。

## GPT-6.1 Terra 和 GPT-6 Luna 有什么区别：规格一样，定位不同

两者的硬规格几乎一样，差别在 OpenAI 给它们的定位和几处接口限制上。截至 2026 年 10 月 28 日，[OpenAI 的 GPT-6.1 Terra 模型页](https://developers.openai.com/api/docs/models/gpt-6.1-terra)和 [GPT-6 Luna 模型页](https://developers.openai.com/api/docs/models/gpt-6-luna)写的都是 1,050,000 token 上下文、单次最多输出 128,000 token、文本和图片输入、文本输出，推理强度都可选 `none`、`low`、`medium`（默认）、`high`、`xhigh`、`max`，推理 token 都按输出计费，都不支持音频和视频。所以上下文长度和输出上限不是选谁的理由。

定位上，OpenAI 把 Luna 叫作"最高效的模型，适合专注、大批量的任务"；GPT-6.1 Terra 于 2026 年 10 月 26 日发布，定位是"快速、高效，擅长视觉推理、精确的计算机操作和清晰自然的写作"，模型页举的例子是把商品照片对上目录条目、看懂技术图纸、在应用界面上执行操作、起草和修改文字。知识截止日期 Luna 是 2026 年 5 月 18 日，Terra 是 2026 年 6 月 1 日。真正会挡住切换的差别是工具调用和数据驻留：Terra 的工具调用只能走 Responses API，Luna 在 Chat Completions 上只有 `reasoning_effort` 为 `none` 时才能做函数调用；Terra 的数据驻留只支持美国和欧盟。

名字也容易混。GPT-6.1 Terra 是 GPT-6 家族里第一款 Terra，没有 `gpt-6-terra` 这个 ID；之前的 GPT-5.6 Terra 仍在价目表上，标价 $2 / $12（输入 / 输出），GPT-6.1 Terra 的输入是它的一半、输出是它的 5/12。Luna 这边没有对应的 6.1 版本，见文末的问答。

## 每百万 token 价格：除缓存读取是 5 倍外，都差 10 倍

按 [OpenAI API 定价页](https://developers.openai.com/api/docs/pricing)截至 2026 年 10 月 28 日的 Standard 档，单次输入不超过 272K token 时，GPT-6.1 Terra 的输入是 $1、输出是 $5，GPT-6 Luna 是 $0.10 和 $0.50，正好 10 倍。唯一的例外是缓存读取：Terra 的缓存读取是自身输入价的 5%，Luna 是 10%，所以这一项只差 5 倍。

| 计费项（美元 / 每百万 token） | GPT-6.1 Terra | GPT-6 Luna | Terra 是 Luna 的 |
| --- | --- | --- | --- |
| 输入 | $1.00 | $0.10 | 10 倍 |
| 缓存读取 | $0.05 | $0.01 | 5 倍 |
| 缓存写入（30 分钟） | $1.25 | $0.125 | 10 倍 |
| 缓存写入（12 小时） | $2.50 | $0.25 | 10 倍 |
| 输出（含推理 token） | $5.00 | $0.50 | 10 倍 |
| 单次输入超过 272K：输入 / 缓存读取 / 输出 | $2.00 / $0.10 / $7.50 | $0.20 / $0.02 / $0.75 | 10 / 5 / 10 倍 |

超过 272K 的规则对整次请求生效：输入和缓存按 2 倍、输出按 1.5 倍计价，两款模型一样。Batch 和 Flex 是 Standard 的一半，Fast 是 2 倍，使用区域处理（数据驻留）另加 10%；Ultrafast 档目前两款都没有。缓存多的工作负载对 Terra 略有利，因为它的缓存读取只贵 5 倍，但只有在你的请求真的大量命中缓存时这一点才有意义。

## AA Intelligence Index v5.0 各档对比：Terra low 已高过 Luna max

把两者放在同一套第三方题目上，最直观的结论是：Terra 最低的 `low` 档，已经比 Luna 开到 `max` 的分数高 1 分，每道题的花费只有一半，用时约为 1/12。下表来自 [Artificial Analysis 的 GPT-6.1 Terra 与 GPT-6 Luna 对比页](https://artificialanalysis.ai/models/releases/comparisons/gpt-6-1-terra-vs-gpt-6-luna)，截至 2026 年 10 月 28 日，指标是 Intelligence Index v5.0，"每道题成本"和"每道题用时"指它跑一道指数题的平均值。

| 推理强度 | Terra 分数 | Terra 每道题成本 | Terra 每道题用时 | Luna 分数 | Luna 每道题成本 | Luna 每道题用时 |
| --- | --- | --- | --- | --- | --- | --- |
| `max` | 51 | $0.96 | 657 秒 | 28 | $0.15 | 597 秒 |
| `xhigh` | 45 | $0.40 | 287 秒 | 23 | $0.10 | 357 秒 |
| `high` | 42 | $0.26 | 182 秒 | 21 | $0.07 | 269 秒 |
| `medium` | 38 | $0.17 | 118 秒 | 18 | $0.04 | 未公布 |
| `low` | 29 | $0.07 | 48 秒 | 10 | $0.01 | 28 秒 |
| `none` | 30 | $0.23 | 104 秒 | 9 | $0.07 | 86 秒 |

该拿来对比的是分数相近的点，而不是同名档位。Terra `low`（29 分、$0.07、48 秒）对 Luna `max`（28 分、$0.15、597 秒），Terra 更便宜也快得多；Terra `medium` 的 38 分高过 Luna 任何一档。Luna 只有在分数更低的地方才更便宜：Luna `medium` 18 分、$0.04，Luna `low` 10 分、$0.01，Terra 没有这么低的档。还要注意加档的代价：Luna 从 `low` 调到 `max`，每道题成本涨 15 倍（$0.01 到 $0.15），只多 18 分；Terra 从 `low` 调到 `medium`，成本涨 2.4 倍（$0.07 到 $0.17），多 9 分。这正是"别把 Luna 调高，换 Terra low"这条规则的依据。

分项里差距最大的是带终端操作的编程任务。Terminal-Bench 4.0 上 Terra `max` 是 55.6%，Luna `max` 只有 12.6%，但 Terra `low` 也只有 15.2%，所以这类任务换 Terra 还得把推理强度开上去。FrontierCode 2.0 上两者 `max` 分别是 42.3% 和 25.2%。在 AA-Omniscience v1.1 这项知识问答指标上，Luna 每一档都是负分（−8 到 −26），Terra 开推理时是 23～30。

网上常见的"Terra 比 Luna 高 10 分"，出自 Artificial Analysis 在 Terra 发布当天按旧版 Index v4.3.2 发的数字；换成 v5.0 后，两者 `max` 档是 51 比 28。引用分数时要带上版本和日期。

## 同一组 12 道题实测：Luna 三档都是 12/16，Terra 15/16 和 16/16

指数是很多题目的综合分，一个窄而明确的工作负载可能排出不同的顺序，所以 2026 年 10 月 28 日（约 05:40～06:30 UTC）又把两款模型放到同一组任务上跑了一轮。两者都经同一个 API 网关调用，用的是 laozhang.ai 的 OpenAI 兼容 Chat Completions 接口，返回的模型 ID 是 `gpt-6.1-terra` 和 `gpt-6-luna-2026-09-22`；每次调用只有一条用户消息，流式返回，`max_completion_tokens` 设为 32,000，不带工具。12 道题和判定规则在跑之前就写好了：一道应用题、三个带隐藏测试的函数、6,723 词文章的五条要点摘要、不用 `eval` 的表达式求值、CSV 行解析、数位和计数、npm 风格 semver 的 `satisfies()`（36 个隐藏测试）、埋了更正说明的长文档算账（答案 $76.80）、编造的标准库函数识别，以及发票加柱状图读成 JSON。其中 4 道各跑 2 次，所以每个配置共 16 次调用。

*说明：[laozhang.ai 是我们自己的服务](https://blog.laozhang.ai/zh/about#laozhang)，其价格是平台报价，不是独立比较的结论。*

| 配置 | 通过 | 16 次调用的标价成本 | 每个通过任务的成本 | 中位调用耗时 | 中位首个答案 token | 输出 token（其中推理） |
| --- | --- | --- | --- | --- | --- | --- |
| Luna `medium` | 12/16 | $0.0108 | $0.0009 | 11.4 秒 | 7.1 秒 | 15,553（9,688） |
| Luna `high` | 12/16 | $0.0140 | $0.0012 | 14.2 秒 | 9.8 秒 | 22,063（16,127） |
| Luna `xhigh` | 12/16 | $0.0188 | $0.0016 | 15.6 秒 | 11.2 秒 | 31,684（25,833） |
| Terra `low` | 15/16 | $0.0625 | $0.0042 | 4.7 秒 | 4.0 秒 | 7,227（2,310） |
| Terra `medium` | 16/16 | $0.0909 | $0.0057 | 5.9 秒 | 4.6 秒 | 12,916（8,095） |

成本是接口返回的 token 用量乘以上面的 OpenAI Standard 标价，不是网关的实际账单，缓存写入没有计入（Chat Completions 的用量里没有报这一项）；整轮按标价共花 $0.197。Luna 没有 `max` 一行，是因为 Chat Completions 不接受 Luna 的 `max`，原因见后面的换模型清单。首轮有 12 次 Luna 调用在流式返回时中断（HTTP 200，但没有 `finish_reason` 和用量），重跑一次后全部正常完成，表里按重跑结果计。样本很小：12 道题、每档 1～2 次、单轮对话、不带工具，没有测 OpenAI 直连、工具调用和计算机操作、Codex 和 Work，以及 Batch、Flex。它能说明 Luna 在哪类题上会失手，不能当成通用的错误率。

每个通过任务的成本 = 16 次调用的标价成本 ÷ 通过数。Terra `low` 是 $0.0625 ÷ 15 ≈ $0.0042，Luna `xhigh` 是 $0.0188 ÷ 12 ≈ $0.0016，相差 2.7 倍；Terra `medium` 是 $0.0909 ÷ 16 ≈ $0.0057，Luna `medium` 是 $0.0108 ÷ 12 = $0.0009，相差 6.3 倍，其余组合落在这两者之间。之所以低于 token 单价的 10 倍，是因为 Luna 用掉的推理 token 多得多：同样 16 次调用，Luna `xhigh` 产生了 25,833 个推理 token，Terra `low` 只有 2,310 个。耗时也是同一个原因。Artificial Analysis 测得 Luna 每秒输出 116～124 个 token，比 Terra 的 91 个快，但它答题前想得久，结果每次调用的中位耗时是 Terra 的 2～3 倍。

![每档 16 次调用的推理 token 条形图，以及 Terra low 对 Luna xhigh 相差 2.7 倍、Terra medium 对 Luna medium 相差 6.3 倍的每任务成本算式](https://blog.laozhang.ai/posts/zh/gpt-6-1-terra-vs-gpt-6-luna/img/cost-per-passed-task.webp)

## GPT-6 Luna 在哪出错：图里的字母 O 和 semver 规范细则

Luna 的失分集中在两道题上，而且都不是"不会做"，而是差一点。第一道是发票加柱状图读成 JSON：Luna 的 6 个回答全部读对了 40 个数字，12 根柱子的高度都在 ±2 以内，也都找出了故意写错的那一行合计，但每一次都把发票号 `INV-2026-10-0O81` 里的字母 O 读成了数字 0；Terra 的 4 个回答全部逐字读对。这道题 Terra 每个回答用 8～17 秒、花 $0.0045～0.0139，Luna 用 24～54 秒、花 $0.0011～0.0025。如果你的抽取任务里有订单号、序列号、车牌这类字母数字混排的字段，一个字符读错就等于整条记录错，这正是 Terra 值得那几倍价钱的地方。

第二道是按 npm 规则实现 semver 范围判断。Luna 6 次只通过 2 次：3 次都卡在同一个隐藏测试上（`^1.0.0 ||` 这种末尾多一个 `||` 的范围没有判为无效），1 次把插入符号范围整体写坏，36 个测试挂了 14 个；Terra 4 次全过，每次 9～18 秒，Luna 要 36～70 秒。规范越长、边界条件越多，Luna 越容易漏掉一条。

其余的错都只出现一次：Luna `high` 把"各位数字之和为 27 的六位以内整数个数"算成 67,252（正确答案 55,252）；五条要点摘要那道题，Luna `xhigh` 和 Terra `low` 各写出一条 26 词的要点，超了 25 词的上限，这也是 Terra `low` 唯一的失分。应用题、三个函数、表达式和 CSV 解析器、带更正说明的长文档算账、编造的标准库函数识别，五个配置每次都通过。换句话说，在规则清楚的普通任务上，Luna 的 `medium` 已经和 Terra 一样可靠，而且便宜得多。

![Luna 失分的两道题：发票号 INV-2026-10-0O81 里的字母 O 被 6 次读成 0，semver 题 6 次只过 2 次，另五类题五个配置每次都通过](https://blog.laozhang.ai/posts/zh/gpt-6-1-terra-vs-gpt-6-luna/img/where-luna-fails.webp)

## GPT-6.1 Terra 和 GPT-6 Luna 怎么选：先看 Luna 在你的任务上错不错

默认用 Luna `medium`，只把它答错的那部分任务交给 Terra，这是两者价格和实测结果共同指向的做法。判断一类任务该归谁，看三件事。第一，Luna 有没有在这类任务上稳定出错：读图里的易混字符、规则很多的规范代码、需要准确调用知识的问答（AA-Omniscience 上 Luna 是负分），出错就换 Terra；普通的摘要、改写、解析和有测试兜底的小函数，Luna 已经够用，每个通过任务便宜 2.7～6.3 倍。第二，错了之后先换模型，不先加档：Luna 从 `medium` 调到 `xhigh` 成本涨 74%，通过数不变，而 AA 上 Terra `low` 比 Luna `max` 高分又便宜。第三，速度要紧时偏向 Terra，同组题它每次调用快 2～3 倍，AA 上 `low` 档首个 token 1.29 秒，Luna `low` 是 2.43 秒。

拿自己的任务测一轮，比看任何分数都准。从最近的线上请求里挑 20～50 条有标准答案或能自动判对错的，分别用 Luna `medium` 和 Terra `low` 各跑一遍，记下每条是否通过和接口返回的 token 用量，再算"每个通过任务的成本 = 总成本 ÷ 通过数"。如果 Luna 的通过率和 Terra 一样，留在 Luna；如果 Luna 错的那些请求返工或人工复核的代价，超过 Terra 每条多出的成本（在这组题里是零点几美分），就把这类请求切到 Terra。

如果 Terra `medium` 也不够，下一步是 GPT-6.1 Sol，什么时候值得往上换，见 [GPT-6.1 Terra 和 Sol 区别：Codex 实测用时减半，要高分时 Sol 更省](https://blog.laozhang.ai/zh/posts/gpt-6-1-terra-vs-gpt-6-1-sol)；想把 Terra 和 Anthropic 的顶级模型比，看 [Claude Opus 5.5 对比 GPT-6.1 Terra：同分时成本差 3.6 倍](https://blog.laozhang.ai/zh/posts/claude-opus-5-5-vs-gpt-6-1-terra)；Luna 对 Claude 中档模型，看 [Claude Sonnet 5.5 对比 GPT-6 Luna：标价差 20 倍，同分差 5～8 倍](https://blog.laozhang.ai/zh/posts/claude-sonnet-5-5-vs-gpt-6-luna)。四款 GPT-6 型号放在一起怎么选、各自价格多少，看 [GPT-6 Sol、Luna、Astra 与 Terra 怎么选？认清 6.1 Terra，再算成本](https://blog.laozhang.ai/zh/posts/gpt-6-sol-vs-terra-vs-luna-vs-astra)。

## 从 gpt-6-luna 换到 gpt-6.1-terra：先改这几处请求参数

只把模型 ID 从 `gpt-6-luna` 改成 `gpt-6.1-terra`，大部分纯文本请求可以直接跑，但下面几处会报错或悄悄改变行为，换之前按顺序过一遍。其中 `max` 和 `max_tokens` 两条是 2026 年 10 月 28 日经同一个网关实际请求得到的结果，报错文本是 OpenAI 的格式；OpenAI 直连没有单独测。

1. 在请求里显式写出推理强度。两款默认都是 `medium`，Terra 建议从 `low` 起步，不够再升 `medium`，不要沿用你给 Luna 调高过的 `xhigh`。
2. 把 `max_tokens` 换成 `max_completion_tokens`。非流式请求带 `max_tokens` 时两款都返回 400，提示改用 `max_completion_tokens`。
3. 要用 `max`，就把请求改到 Responses API。在 Chat Completions 上，`reasoning_effort: "max"` 对两款模型都返回 HTTP 400，提示只支持 `none`、`low`、`medium`、`high`、`xhigh`；流式请求时 Terra 有一次返回了 200、Luna 仍是 400，结果不一致，不要依赖。改到 Responses API 并写成 `"reasoning": {"effort": "max"}` 后，两款都返回 200。
4. 有工具调用的代码同样改到 Responses API。Terra 的工具调用只能在 Responses API 上用；如果你的 Luna 代码是在 Chat Completions 上把 `reasoning_effort` 设成 `none` 来做函数调用，换成 Terra 后这条路不通。
5. 核对数据驻留地区。按 [OpenAI 的数据控制文档](https://developers.openai.com/api/docs/guides/your-data)，GPT-6.1 Terra 只支持美国和欧盟的数据驻留，Luna 支持的地区更多。数据驻留地区设在美国、欧盟以外（如日本、韩国、印度、新加坡）的项目可以继续用 Luna，但换不了 Terra；这些地区只保证数据存放在当地，不保证推理在当地进行。某个具体地区 Luna 是否支持，以该页的模型表为准。

第 3 步改完的最小请求长这样：

```json
{
  "model": "gpt-6.1-terra",
  "reasoning": { "effort": "max" },
  "input": "你的任务"
}
```

## ChatGPT 和 Codex 里的 Terra 与 Luna：聊天里没有 Terra

在 ChatGPT 的普通聊天里选不到 GPT-6.1 Terra。按 [ChatGPT 的模型说明](https://learn.chatgpt.com/docs/models)，Terra 只出现在 Plus、Pro、Business、Enterprise 和 Edu 套餐的 Work 和 Codex 里，任何套餐的聊天里都没有；而截至 2026 年 10 月 8 日，免费版和 Go 的 GPT-6 聊天跑的是 Luna，付费套餐聊天用的是 GPT-6 Sol，详见 [GPT-6 免费吗？ChatGPT 免费版给的是 Luna，Sol 与 Astra 仍要付费](https://blog.laozhang.ai/zh/posts/is-gpt-6-free)。Luna 在 Work 和 Codex 里也能选。截至 2026 年 10 月 27 日的模型说明里，Luna 支持 Codex IDE 扩展，Terra 的客户端列表里没有它；在 Codex CLI 里用 Terra 需要 0.159.0 或更高版本，命令是 `codex -m gpt-6.1-terra`。

额度上两者差得和 API 单价差不多。按 [ChatGPT 的价格与额度说明](https://learn.chatgpt.com/docs/pricing)，截至 2026 年 10 月 28 日，Plus 和标准 Business 每 5 小时的本地消息估计是 Luna 350～3,000 条、Terra 35～285 条，官方说明这只是估计，会随任务大小、上下文和推理强度变化，不是固定条数；Pro 没有 5 小时限制，但可能有每周限制。用 ChatGPT Credits 计费时，每百万 token 的输入 / 缓存输入 / 输出 Luna 是 2.5 / 0.25 / 12.5 credits，Terra 是 25 / 1.25 / 125 credits。所以在 Codex 里，同样的额度换成 Terra，能做的事大约少一个数量级，只把 Luna 做不好的任务交给它更划算。

## GPT-6.1 Terra 和 GPT-6 Luna 的其他问题

**有 GPT-6.1 Luna 吗？**
截至 2026 年 10 月 28 日没有。OpenAI 定价页的旗舰模型表只列 GPT-6 Astra、GPT-6.1 Sol、GPT-6.1 Terra 和 GPT-6 Luna 四款，Luna 目前只有 `gpt-6-luna` 这一个版本（快照 `gpt-6-luna-2026-09-22`）。

**GPT-6.1 Terra 把推理关掉，设成 `none`，会不会更省？**
不会。按 Artificial Analysis 截至 2026 年 10 月 28 日的 Intelligence Index v5.0，Terra 的 `none` 档 30 分、每道题 $0.23、104 秒，`low` 档 29 分、$0.07、48 秒。关掉推理只多 1 分，每道题却贵 3 倍多、慢一倍，想省钱就用 `low`。

## 参考来源

本文引用的外部页面，按正文出现顺序排列。最后更新于 2026-10-28。

- [OpenAI 的 GPT-6.1 Terra 模型页](https://developers.openai.com/api/docs/models/gpt-6.1-terra) (developers.openai.com)
- [GPT-6 Luna 模型页](https://developers.openai.com/api/docs/models/gpt-6-luna) (developers.openai.com)
- [OpenAI API 定价页](https://developers.openai.com/api/docs/pricing) (developers.openai.com)
- [Artificial Analysis 的 GPT-6.1 Terra 与 GPT-6 Luna 对比页](https://artificialanalysis.ai/models/releases/comparisons/gpt-6-1-terra-vs-gpt-6-luna) (artificialanalysis.ai)
- [OpenAI 的数据控制文档](https://developers.openai.com/api/docs/guides/your-data) (developers.openai.com)
- [ChatGPT 的模型说明](https://learn.chatgpt.com/docs/models) (learn.chatgpt.com)
- [ChatGPT 的价格与额度说明](https://learn.chatgpt.com/docs/pricing) (learn.chatgpt.com)